Gesellschaft Deutscher Chemiker

Trendbericht

Machine‐Learning‐Potenziale

Nachrichten aus der Chemie, März 2016, S. 323-325, DOI, PDF. Login für Volltextzugriff.

Von Wiley-VCH zur Verfügung gestellt

Machine-Learning-Potenziale bieten oft einen Ausweg, wenn Elektronenstrukturrechnungen zu aufwendig sind und alternative Potenziale mit ausreichender Genauigkeit fehlen. In der Röntgenspektroskopie treiben neue Experimente die theoretische Methodenentwicklung an. Theoretische Untersuchungen tragen zudem zum grundsätzlichen Verständnis des Ladungs- und Energietransports in organischen Materialien bei.

Machine-Learning-Potenziale

Die genaue Beschreibung der atomaren Wechselwirkungen ist eine Voraussetzung für zuverlässige Molekulardynamik(MD)- und Monte-Carlo-Simulationen komplexer chemischer Vorgänge und Reaktionen. Während die Berechnung der Energien und Kräfte für kleine Systeme mit bis zu wenigen hundert Atomen in Dichtefunktionaltheorie-basierten Ab-initio-MD-Simulationen noch on-the-fly möglich ist, sind für größere Systeme oder sehr lange Simulationen atomistische Potenziale erforderlich, bei denen sich die Energien und Kräfte direkt als Funktion der Kernpositionen ergeben. Beispiele sind klassische Kraftfelder für große Biomoleküle oder empirische Potenziale in den Materialwissenschaften.

Ein grundsätzliches Problem atomistischer Potenziale ist jedoch

Wissenschaft & ForschungTrendberichte

Überprüfung Ihres Anmeldestatus ...

Wenn Sie ein registrierter Benutzer sind, zeigen wir in Kürze den vollständigen Artikel.